- Kafka在刚诞生时是以 消息引擎系统 的面目出现在大众视野中
- Kafka在0.10.0.0之前的定位:分布式、分区化且带备份功能的 提交日志 (Commit Log)服务
-
Kafka在设计之初的功能特性
- 提供一套API实现 生产者 和 消费者
- 降低 网络传输 和 磁盘存储 开销
- 实现 高伸缩 架构
分布式流处理平台
- Kafka于2011年正式进入Apache基金会孵化并于次年10月成为Apache顶级项目
- Kafka社区于0.10.0.0版本正式推出流处理组件 Kafka Streams ,定位变成了 分布式流处理平台
- 同等级的实时流处理平台:Apache Kafka 、Apache Storm 、Apache Spark 、Apache Flink
- 目前国内对Kafka是流处理平台的认知还不普及,其核心的流处理组件Kafka Streams更是少有大厂在使用
优势
端到端的正确性
- Kafka更容易实现 端到端的正确性 (Correctness)
-
流处理要替代批处理需要具备两个核心优势
- 实现正确性 (正确性是流处理能够匹敌批处理的基石)
- 提供能够推导时间的工具
-
正确性一直都是批处理的强项,而实现正确性的基石是要求框架能提供
精确一次处理语义
- 即处理一条消息 有且只有 一次机会能够影响系统状态
-
目前主流的大数据流处理框架都宣称实现了精确一次处理语义,但这是有 限定条件
的
- 即它们只能实现 框架内 的精确一次处理语义,无法实现 端到端 的
- 当这些框架与外部消息引擎系统结合使用时,它们无法影响到外部系统的处理语义
- 例如搭建一套环境使得Spark或Flink从Kafka读取消息之后进行 有状态 的数据计算,最后写回Kafka
- 这种情况只能保证在Spark或Flink内部,这条消息对于状态的影响只有一次
- 但计算结果有可能 多次 写入到Kafka,因为它们不能控制Kafka的语义处理
- 对于Kafka,因为 所有的数据流转和计算 都在Kafka内部完成,所以Kafka可以实现 端到端的精确一次处理语义
自身定位
-
Kafka官网:Kafka Streams是一个用于搭建实时流处理的 客户端库
而不是一个完整的功能系统
- 不提供类似集群调度、弹性部署等开箱即用的运维特性
- 大公司的流处理平台一定是大规模部署的,因此具备集群调度功能以及灵活的部署方案是不可或缺的要素
-
但世界上还存在很多 中小企业
,它们的流处理数据量并不巨大,逻辑也不复杂,部署几台机器即可应付
- 针对这样的需求,没必要搭建 重量级的完整性平台 ,这也正是Kafka Streams的用武之地
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- Jet 4.5 发布,分布式批处理和流处理引擎
- Python分布式流处理系统Kafka
- Ceph分布式存储-常见OSD故障处理
- 查看并处理分布式网络中的内部威胁
- 5个大数据处理/数据分析/分布式工具
- Apache Samza 1.4.0 发布,分布式流处理框架
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。